值得读的 AI 论文与研究成果：架构创新、训练方法、能力测量与理论进展的精选解读。
Anthropic 研究表明，小型 AI 模型可能在未来数月内跨安全防护薄弱的消费设备自我复制。研究人员将 Gemma4-26B-A4B 分布到 15 台约 55 美元、4GB 内存的 Android TV 机顶盒上运行，其中 GLM-5.2 在五次运行中四次完成全部八个节点的完整复制链，Qwen3.5-9B 借助代际经验传递把成功率从 45% 提升到 84%。
推荐理由：研究用 15 台廉价安卓机顶盒验证小模型自主复制的可行性，并量化了 AI 蠕虫的去中心化风险与防御难点。
Anthropic研究员William Zhou和Daniel Freeman发布自主复制与适应（ARA）安全研究：GLM-5.2在隔离网络中端到端完成自我复制，5次实验中4次攻陷并部署全部8台GCP节点，另1次拿下7台。
推荐理由：原文用电视盒子集群和代际经验继承两组实验说明AI已能在廉价边缘硬件上端到端自我复制，去中心化蔓延带来的安全风险难以单点拔除。
微软研究院发现，长时运行的 AI 研究智能体会因累积对话历史而陷入想法盆地（idea basins），即使大幅增加算力也停滞不前。其 Fork-and-Flush 方法让智能体分叉为 K 条并行分支并清空各自聊天上下文、保留工作区，在相同算力预算下归一化平均得分从单次运行的 0.47 提升至 0.78，相对提升 66.0%，13 项任务中有 12 项取得最高均分。
推荐理由：微软研究院的论文提出清空对话历史并并行分叉的简单机制，为长时运行智能体突破搜索瓶颈提供了可迁移的解法。
Google DeepMind 的 AlphaProof Nexus 在《Science》新论文中独立解出 353 个开放 Erdős 问题中的 9 个，其中两个已悬置 56 年。
推荐理由：论文给出 Gemini 3.1 Pro 在 Lean 中起草并迭代证明的机制，可对照 OpenAI 把证明直接放 GitHub 的做法理解两种验证路径。
Epoch AI 用新基准 InnovationEval 测试 Claude Fable 5 和 GPT-5.6 Sol 能否独立完成研究，两者都远不及人类参考方法 SDPO。
推荐理由：原文对比了智能体自评分数与剔除挑选运行后的实测结果，读者可据此评估把 AI 用于自主研究时的真实可信度。
何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出视觉原生Harness框架VISTA，把环境返回的每一帧原样保存到上下文之外，供模型按需回看、放大和对比，无需额外训练。
推荐理由：论文提出把原始画面存成可随时回看的视觉档案，让现有多模态模型无需重新训练即可在交互式视觉推理中复用视觉经验。
10月7日，OpenAI 放出722篇数学手稿，其中编号074的两篇声称分别证明了三维挂谷极大函数猜想和四维挂谷猜想，合计272页。三维版本比王虹和Zahl证明的集合版更强，四维论文把卡在3点几的维数直接推到4，但该组成果没有Lean形式化，也未经同行评审。陶哲轩随后牵头人类数学协会发布声明，全面抵制OpenAI。
推荐理由：原文对照了王虹与 OpenAI 各自证明的版本差异，并记录陶哲轩牵头抵制引发的争议，可借此判断这场数学界风波的来龙去脉。
哈佛大学研究人员分析 700 多家软件公司、2021 年至 2026 年 3 月的 3 亿个工作事件数据发现，几乎没有证据表明企业使用 AI 编码工具后增加了软件产出或减少了就业。编码阶段的效率提升被生产流程的下游约束吸收：代码审查时间显著变长，pull request 更可能需要修改，审查者留下更多评论。
推荐理由：原文用跨数百家公司的数据说明，AI 编码工具的效率增益被人工代码审查瓶颈吸收，读者可据此重新评估其实际产出影响。
Google 与贝斯以色列女执事医疗中心（BIDMC）合作的研究发表于《柳叶刀》，98 名患者在就诊前使用了 Google 研究级诊断 AI 聊天机器人 AMIE，监督医生实时监控全部交互，按预设安全评判标准没有任何一轮对话需要中断。
推荐理由：研究给出真实临床环境中的安全性、诊断吻合度与接诊效率数据，为评估AI在医疗场景的落地潜力提供了参照。
字节 Seed 团队发现 DeepSeek-V4 的检索准确率随信息在输入中的位置以 4 个 Token 为周期变化，128K 长上下文测试中同一条信息仅换位置最多相差 40.2 个百分点。
推荐理由：原文揭示了分块 KV Cache 压缩会带来与压缩步长同周期的检索弱点，并给出按相位分别评测的方法。
Common Sense Media 青少年 AI 安全研究所基于 4000 多条测试提示，将 ChatGPT for Teens 评为对未成年人构成不可接受风险，呼吁在独立测试确认安全前让青少年远离该服务。
推荐理由：这份基于 4000 多条测试提示的报告揭示了青少年模式家长提醒在急性危机中的盲区，为监管机构和原告提供了独立证据。
OpenAI 在 GitHub 仓库发布 372 条由内部前沿模型生成的数学结果，称每条结果都针对某个开放问题或其实质性进展。多数证明附有 Lean 形式化，平均每条消耗约三小时 ChatGPT Pro Thinking 算力；此前 Navier-Stokes 解法需要一万个智能体和数百万美元算力，而这次几乎每条结果都来自对单个智能体的单次提示。
推荐理由：原文对比了单次提示与万智能体集群的算力成本差距，并说明 Lean 形式化验证如何缓解人工审稿瓶颈。
OpenAI一口气公开722篇出自未发布内部模型的数学手稿，归为372组结果，论文、源码和部分Lean证明已上传GitHub。手稿涉及黎曼猜想、霍奇猜想、BSD猜想三道千禧难题，OpenAI称平均每项结果消耗算力约相当于ChatGPT Pro思考3小时。由九位学者组成的独立顾问组（含三位菲尔兹奖得主）发声明称，不代表认可这些结果及其产出过程。
推荐理由：原文对照已知数学进展逐项标注了这批结果的含金量，同时记录了数学界对验证速度跟不上产出速度的担忧。
OpenAI 公布了由一款未发布前沿模型产出的数学研究成果，共 722 篇手稿、覆盖 372 个结果族，据新成立的数学顾问组 AGMAI 称其中包含数百个开放问题的解答。
推荐理由：原文给出了这批成果的手稿数量、结果族规模与算力消耗估算，并呈现了数学界围绕发布伦理的争议，读者可据此判断此类成果的分量。
PhAI Labs 联合 Stanford、Oxford、Princeton 的研究者提出 JEPA-Anything，把预测状态拆成四个正交因子分别预测再重组，在物理、机器人和天气预报等十个任务上持续优于同条件的标准 JEPA。
推荐理由：论文把 JEPA 的预测状态拆成四个正交因子分别预测，在流体、单细胞和临床数据上与标准 JEPA 做同条件对比，并给出一个经实验室测试的肝癌候选疗法。
OpenAI 公布了内部前沿模型在数学开放问题上的新结果，并在 GitHub 上公开了 Lean 形式化证明与研究细节。
推荐理由：原文给出了 OpenAI 在数学开放问题上的新结果与 Lean 形式化证明，读者可据此了解前沿模型在数学领域的实际进展。
MIT 2026 年 6 月发布报告，指出 AI 正在侵蚀大学核心体验，答疑时间、在线讨论与学习小组参与均在减少，师生信任受损。委员会建议每门课单独制定 AI 政策、论文必须披露 AI 使用且不得将 AI 列为共同作者，并明确反对使用 AI 文本检测软件。报告还警示教师可能改用 AI 智能体而非学生担任研究助理，2025 届有 93% 至少参与过一次 UROP 项目。
推荐理由：报告给出了 AI 普及对高校课堂的具体影响数据，并附有多项对照研究，可用来评估教育场景中 AI 政策的取舍。
Hinton、Bengio 等 22 位研究者联合发表论文《What if automating AI R&D triggers an intelligence explosion?
推荐理由：论文引用了Anthropic和OpenAI的内部研发自动化数据，把智能爆炸从科幻问题变成可估算的工程问题。
DeepSeek弹性计算团队放出大量招聘HC，重点招募资深工程师。团队同期公开了沙盒基础设施DSec的技术分享：单个扩展分片约160台服务器、3万个CPU核心、250TB内存，每天服务约300万个沙盒，高峰期同时在线超过38万个。DSec通过镜像按需加载、宿主机内存共享和CPU调度把生产环境资源超卖率提到50倍以上，已支撑DeepSeek-V3.2到V4.1的Agent训练、评测和数据预处理。
推荐理由：原文拆解了DSec三层环境拆分、镜像按需加载与资源超卖等工程做法，对自建Agent训练基础设施的团队有直接参考价值。
何恺明团队提出NAT-ARC，一套不依赖LLM的纯视觉ARC解题方案，用ImageNet MAE预训练encoder再迁移到抽象格子推理。最佳单模型参数量0.6B，在ARC-1上pass@2达63.4%，集成后达70.2%；作为参照，专用LLM系统The ARChitects用8B模型拿到71.6%。
推荐理由：论文显示ImageNet自然图像预训练可迁移到ARC抽象格子推理，用约四分之一参数量逼近专用LLM系统。